精华内容
下载资源
问答
  • Python实现遥感生态指数计算

    千次阅读 2019-02-22 15:08:09
    最近在做一些遥感相关的图像处理项目,涉及到遥感生态指数的计算。由于项目要求Python实现,搜索互联网关于Python实现的遥感生态指数计算程序资料很少,于是就自己实现了一个并分享在这里,供需要的朋友参考。 首先...

    最近在做一些遥感相关的图像处理项目,涉及到遥感生态指数的计算。由于项目要求Python实现,搜索互联网关于Python实现的遥感生态指数计算程序资料很少,于是就自己实现了一个并分享在这里,供需要的朋友参考。
    首先需要了解遥感生态指数是什么,不是很清楚的朋友可以参考下面的几篇文章:
    城市遥感生态指数的创建及其应用
    区域生态环境变化的遥感评价指数
    基于遥感生态指数的南京市生态变化分析
    知道了遥感生态指数是什么后,程序实现其实比较简单,这里直接贴出程序。

    """
    利用湿度、绿度、热度、干度计算遥感生态指数
    """
    import os
    import time
    import numpy as np
    from scipy import misc
    from osgeo import gdal, gdalconst
    from sklearn.decomposition import PCA
    
    
    class CalIntegratedEcoIndex:
    
        def __init__(self, img_path, res_save_dir):
            self.img_width, self.img_height, self.img = self.read_img(img_path)
            self.deno_bias = 0.00001  # 分母偏置,防止除0
            self.res_save_dir = res_save_dir
    
        def read_img(self, img_path):
            """读取遥感数据信息"""
            dataset = gdal.Open(img_path, gdalconst.GA_ReadOnly)
    
            img_width = dataset.RasterXSize
            img_height = dataset.RasterYSize
            img_data = np.array(dataset.ReadAsArray(0, 0, img_width, img_height), dtype=float)  # 将数据写成数组,对应栅格矩阵
    
            del dataset
    
            return img_width, img_height, img_data
    
        def get_wet_degree(self):
            """获取湿度指标"""
            return 0.2626 * self.img[0] + 0.2141 * self.img[1] + 0.0926 * self.img[2] + \
                  0.0656 * self.img[3] - 0.7629 * self.img[4] - 0.5388 * self.img[6]
    
        def get_green_degree(self):
            """获取绿度指标"""
            return (self.img[3] - self.img[2]) / (self.img[3] + self.img[2] + self.deno_bias)
    
        def get_temperature(self):
            """获取热度指标"""
            gain = 3.20107  # landsat5 第6波段的增益值
            bias = 0.25994  # 第6波段的偏置值
    
            K1 = 606.09
            K2 = 1282.71
            _lambda = 11.45
            _rho = 1.438e10-2
            _epsilon = 0.96  # 比辐射率
    
            DN = self.img[4] * 299/1000 + self.img[3] * 587/1000 + self.img[2] * 114/1000  # 获取象元灰度值
    
            L6 = gain * DN + bias
            T = K2 / np.log(K1 / L6 + 1)
            LST = T / (1 + (_lambda * T / _rho) * np.log(_epsilon))
    
            return LST
    
        def get_dryness_degree(self):
            """获取干度指标"""
            band5_plus_band3 = self.img[4] + self.img[2]
            band4_plus_band1 = self.img[3] + self.img[0]
    
            SI = (band5_plus_band3 - band4_plus_band1) / (band5_plus_band3 + band4_plus_band1 + self.deno_bias)
    
            left_expr = 2 * self.img[4] / (self.img[4] + self.img[3] + self.deno_bias)
            right_expr = self.img[3] / (self.img[3] + self.img[2] + self.deno_bias) + \
                         self.img[1] / (self.img[1] + self.img[4] + self.deno_bias)
            IBI = (left_expr - right_expr) / (left_expr + right_expr + self.deno_bias)
    
            NDBSI = (IBI + SI) / 2
    
            return NDBSI
    
        def arr2img(self, save_path, arr):
            misc.imsave(save_path, arr)
    
        def normlize(self, img_arr):
            arr = np.array(img_arr)
            return (arr - arr.min()) / (arr.max() - arr.min())
    
        def get_rsei(self):
            """获取遥感生态指数"""
            wet = self.get_wet_degree()
            ndvi = self.get_green_degree()
            lst = self.get_temperature()
            ndbsi = self.get_dryness_degree()
    
            data = np.array([self.normlize(wet), self.normlize(ndvi), self.normlize(lst), self.normlize(ndbsi)])
            data = data.reshape(data.shape[0], -1).T
    
            pca = PCA(n_components=1)
            rsei = self.normlize(1 - np.reshape(pca.fit_transform(data), newshape=(self.img_height, self.img_width)))
    
            return wet, ndvi, lst, ndbsi, 1 - rsei
    
        def save_result(self, wet, ndvi, lst, ndbsi, rsei):
            """将各指数结果保存为图片"""
            res_dict = {"wet": wet, "green": ndvi, "temperature": lst, "dry": ndbsi, "rsei": rsei}
    
            for k, v in res_dict.items():
                self.arr2img(os.path.join(self.res_save_dir, k + ".jpg"), v)
    
        def get_average_index(self, wet, ndvi, lst, ndbsi, rsei):
            """获取归一化后各指标的平均值"""
            return np.mean(self.normlize(wet)), np.mean(self.normlize(ndvi)), \
                   np.mean(self.normlize(lst)), np.mean(self.normlize(ndbsi)), np.mean(self.normlize(rsei))
    

    程序可以按照下面的方式进行使用(注意输入图像是Landsat七波段的图像):

    if __name__ == '__main__':
        start = time.time()
        cal = CalIntegratedEcoIndex("/your/path/to/Landsat/image", "./result")
        wet, ndvi, lst, ndbsi, rsei = cal.get_rsei()
        aver_wet, aver_ndvi, aver_lst, aver_ndbsi, aver_rsei = cal.get_average_index(wet, ndvi, lst, ndbsi, rsei)
        cal.save_result(wet, ndvi, lst, ndbsi, rsei)
        end = time.time()
    
        print("归一化后各指数的平均值\n湿度", aver_wet, "绿度", aver_ndvi, "热度", aver_lst, "干度", aver_ndbsi,
              "遥感生态指数", aver_rsei, "Total cost time %.2f s" % (end - start))
    

    因为对遥感领域不很了解,这也是我的初次尝试。如果程序中有什么错误及不足,欢迎读者朋友们在评论区批评指正。

    展开全文
  • 遥感生态指数(RSEI)——四个指数的计算

    万次阅读 多人点赞 2020-07-02 11:05:08
    遥感生态指数是在4个生态指数的基础上通过主成分变换得出的一个评价生态环境质量的指标。因此,第二部分就是要分别计算出这4个指数的值。 ①首先,是绿度指数的计算,一般用归一化植被指数(NDVI) NDVI=(NIR-...

    遥感生态指数是在4个生态指数的基础上通过主成分变换得出的一个评价生态环境质量的指标。因此,第二部分就是要分别计算出这4个指数的值。

    ①首先,是绿度指数的计算,一般用归一化植被指数(NDVI)

                  NDVI=(NIR-Red)/(NIR+Red)

    在Bandmath工具中输入NDVI计算公式  (float(b4-b3))/(b4+b3)  其中,b3、b4分别是红波段和近红外波段

    ②其次,是湿度计算。

                WET = c1B1 + c2B2 + c3B3 + c4B4 + c5B5 + c6B6

    B1-B6 分别代表蓝波段、绿波段、红波段、近红波段、中红外波段 1、中红外波段 2;c1~c6是传感器参数。由于传感器的类型不同,参数也相应有所不同。其中,TM 传感器,c1 ~ c6 分 别 为 0.0315、0.2021、0.3012、0.1594、-0.6806、-0.6109; OLI 传感器,c1 ~ c6 分别为 0.1511、 0.1973、 0.3283、 0.3407、-0.7117、 -0.4559。

    故,在Bandmath中,输入湿度的计算公式:

                Wet-TM= (b1*0.0315+b2*0.2021+b3*0.3012+b4*0.1594+b5*(-0.6806)+b7*(-0.6109))/10000

                Wet-OLT=(b1*0.1511+b2*0.1973+b3*0.3283+b4*0.3407+b5*(-0.7117)+b7*(-0.4559))/10000

    之所以在计算湿度过程中乘以1/10000,是为了使湿度的范围值落在[-1,1]之间。

    ③干度指数(NDBSI)计算。

    干度指数(NDBSI)由城市建筑指数(IBI)和裸土指数(SI)的平均值得到的,该指数的范围是[-1,1],值越大,表示越干燥。

                 

    其中,ρblue、ρgreen、ρred、ρnir、ρswir1分别表示蓝、绿、红、近红外、中红外1

    在Bang math中输入公式为:

                SI = (float((b3+b5)-(b1+b4)))/((b3+b5)+(b1+b4))

                IBI=((float(2*b5))/(float(b5+b4))-((float(b4))/(float(b4+b3))+(float(b2))/(float(b2+b5))))/((float(2*b5))/(float(b5+b4))+                              ((float(b4))/(float(b4+b3))+(float(b2))/(float(b2+b5))))

    其中,b1~b5分别为蓝、绿、红、近红外波段、中红外波段1.

                NDSI = (b1+b2)/2   其中,b1、b2分别为IBI图像、SI图像。

    ④热度指数计算(LST)

    使用大气矫正法对landsat-8地表温度进行反演 原理:首先估计大气对地表热辐射的影响, 然后把这部分大气影响从卫星传感器所观测到的热辐射总量中减去, 从而得到地表热辐射强度, 再把这一热辐射强度转化为相应的地表温度。

        1)首先打开数据_,对第10波段进行辐射定标(Band10的后缀为Thermal),获得辐射亮度图像。在ENVI中打开原始数据_MTL.txt,选择Radiometric Calibration工具,选择_MTL_Thermal数据,并根据需要选择spatial subset

                                               

                            

         2)计算NDVI

                NDVI=(近红外-红)/(近红外+红)

        3)计算植被覆盖度Fv

    计算植被覆盖度Fv采用的是混合像元分解法,将整景影像的地类大致分为水体、植被和建筑,具体的计算公式如下:

                FV = (NDVI- NDVIS)/(NDVIV - NDVIS)

    其中,NDVI为归一化差异植被指数,取NDVIV = 0.70和NDVIS = 0.00,且有,当某个像元的NDVI大于0.70时,FV取值为1;当NDVI小于0.00,FV取值为0。

    利用ENVI的Band Math,在公式输入栏中输入:

                Fv=(b1 gt 0.7)*1+(b1 lt 0.05)*0+(b1 ge 0.05 and b1 le 0.7)*((b1-0.05)/(0.7-0.05))

    其中b1为NDVI结果

        4)地表比辐射率ε计算ε

    根据前人的研究,将遥感影像分为水体、城镇和自然表面3种类型。本专题采取以下方法计算研究区地表比辐射率:水体像元的比辐射率赋值为0.995,自然表面和城镇像元的比辐射率估算则分别根据下式进行计算:

                Ε(surface)=0.9625+0.0614*Fv-0.0461*FV2

                Ε(building)=0.9589+0.086*Fv-0.0671*Fv2

    式中,εsurface和εbuilding分别代表自然表面像元和城镇像元的比辐射率。

    在ENVI中的计算公式:

        Surf=(b1 le 0)*0.995+(b1 gt 0 and b1 lt 0.7)*(0.9589+0.086*b2-0.0671*b2*b2)+(b1 ge 0.7)*(0.9625+0.0614*b2-0.0461*b2*b2)

    其中,b1为NDVI值,b2为植被覆盖度

        5)计算相同温度下黑体的辐射亮度值

    查询大气剖面数据(http://atmcorr.gsfc.nasa.gov/),输入相关参数可得到大气剖面信息:大气在热红外波段的透过率(t),大气向上辐射亮度(Lu),大气向下辐射亮度(Ld)

     

                BlackT=(b2-Lu-t*(1-b1)*Ld)/(t*b1)

                2018:BlackT=(b2-0.94-0.87*(1-b1)*1.57)/(0.87*b1)

    其中,b1选择地表比辐射率图像,b2选热红外波段辐射亮度图像

        6)反演地表温度

                Landsat 5:T=(1260.56)/alog(607.76/b1+1)-273

                Landsat 8:T=(1321.08)/alog(774.89/b1+1)-273

    其中,B1选择相同温度下黑体辐射亮度图像

    至此,初步完成四个生态指数的计算。

    展开全文
  • 文中选用2006年,2013年,2018年三期Landsat卫星影像来对泰安市进行研究,运用ENVI5.3对环境影响因子(干度,绿度,湿度,热度)进行提取并进行分析处理,对得到的遥感生态指数(RSEI)综合分析来评价泰安市生态质量。...
  • 用ENVI进行遥感生态指数计算后,主成分分析结果特征值矩阵如何解释???数值正负怎么回事???
  • 遥感生态指数(RSEI)应用案例

    千次阅读 2019-01-23 17:22:00
    1.《基于遥感生态指数模型的渭南市生态环境质量动态监测与分析》  当前,遥感技术以其快速、实时及可实现大范围监测等优势被广泛地应用于生态环境领域,成为评价区域生态环境的有效手段。但是,目前对各类生态系统...

    1.《基于遥感生态指数模型的渭南市生态环境质量动态监测与分析》

      当前,遥感技术以其快速、实时及可实现大范围监测等优势被广泛地应用于生态环境领域,成为评价区域生态环境的有效手段。但是,目前对各类生态系统评价的研究多基于单一的生态环境指标,如利用植被指数监测森林生态系统、提取水体指数获取河流信息进行水环境评估、利用地表温度测评城市热岛效应等。

      新型遥感生态指数(RSEI remote sensing based ecological index),完全基于遥感信息,集成了反映生态环境最为直观的多重指标,可实现对区域生态环境的快速监测与评价,具有一定的实践意义与较高的参考价值。

      本案例,基于Landsat5和Landsat8数据,利用主成分分析法,通过耦合反映生态环境状况的绿度、湿度、干度和热度指标,建立RSEI,可以实现对渭南市生态环境质量的监测与评价。

      结论:1995-2015年间,渭南市RSEI上升了13.7%,表明渭南市的生态环境质量总体呈提高趋势。对渭南市而言,在4个分指标中,反映地表“干化”情况的干度指标RSEI的贡献最大,表明土地利用方式与城市生态环境密切相关。城市规划布局引起的建筑用地面积的增加会对城市生态环境产生一定的消极作用,以植树造林为主的增加地表植被覆盖的绿化工程、景观经济林带建设等则极大地改善了该区的生态环境质量。因此,人们应增强此方面的意识,切实做到因地制宜、合理规划。

      不足如遥感影像的质量不尽人意、选取的指标均基于生态环境特征等。在后续的研究工作中将进一步完善,如将衡量经济发展、社会保障和文化科技等方面的指标纳入评价体系,从多角度分析社会、经济与生态环境的协调发展。

    2.《基于遥感生态指数的永定矿区生态变化监测与评价》

      目前针对煤矿区环境的监测主要侧重于大型煤矿区的土地利用、地表沉陷、植被破坏、热环境影响等单一生态要素遥感反演,但对规模小而矿点多的小矿井集中区的生态遥感监测还比较缺乏。事实上,现对于大型矿区,小矿井集中区的生态环境状况由于缺乏完善的监管体系,而对人类生活的影响更为显著。许多研究采用权重法将各生态因子加权组合形成综合遥感生态评价指数。

      本案例,将区域遥感生态指数(RSEI)应用于矿区生态状况与变化遥感评估,快速客观地对闽西永定矿区进行定量生态环境遥感评价,分析矿区高速发展期内生态状况的时空变化特点及其原因,为矿区进一步保护好生态环境提供科学的依据。

          遥感生态指数(RSEI)将绿度分量(NDVI)、湿度分量(Wet)、干度分量(NDSI)和热度分量(LST)4个遥感指数波段组合成新的指数影像后,并进行主成分分析,然后将其第一主成分归一化处理,即可生成RSEI指数。

      结论:

      ①基于水土流失区构建的遥感生态指数也适用于煤矿区进行生态环境监测。

      ②一般传统的生态环境调查与评估法只能提供区域(如县域、镇域)范围内的生态指数均值,而利用遥感生态指数可以从像元的微观角度来监测生态环境变化,并且可以进行可视化制图,不失为一种高效直观的生态环境监测方法。

      ③植被覆盖度等级与生态指数等级之间有较好的对应关系,表明植被覆盖变化是影响生态质量变化的关键因素。因此,若要提高区域的生态质量,则既要提高植被覆盖度,又要降低区域的热度和干度指标,如减少不透水面、搞好水土保持等,增强土壤蓄积地表水的能力,提高土壤和植被含水量,减少矿业或工程建设活动对植被破坏或粉尘污染等。

    转载于:https://www.cnblogs.com/xazyxx/p/10310261.html

    展开全文
  • 遥感生态指数(RSEI)是通过主成分耦合绿度、干度、湿度、热度四个指标,并第一主成分作为RSEI值,用来评价一个地区的生态环境。 数据来源:地理空间数据云(http://www.gscloud.cn/) 遥感图像处理软件:ENVI5.3 ...

    遥感生态指数(RSEI)是通过主成分耦合绿度、干度、湿度、热度四个指标,并第一主成分作为RSEI值,用来评价一个地区的生态环境。

    数据来源:地理空间数据云(http://www.gscloud.cn/) 遥感图像处理软件:ENVI5.3

    RSEI计算的主要步骤:(1)图像预处理。主要包括辐射定标、大气校正、研究区裁剪三部分;(2)四个生态因子指标计算;(3)水体掩膜、数据标准化(归一化);(4)主成分变换及变换后处理。

    1.图像预处理

    1.1辐射定标

    辐射定标是将原始图像的DN值转化为反射率亮度值。其目的是消除传感器本身的误差,确定传感器入口处的准确辐射值

    首先打开原始数据中的_MTL文件,打开[Radiometric Calibration]工具,可以在搜索框中搜索。在[Select Input File]中选择多光谱数据[_MTL_MultiSpectral],可以根据研究区对图像范围进行裁剪,减少数据量。以厦门市为例。

    图1.1 辐射定标

     

     

     

    点击[OK]之后,出现以下对话框。直接点击[Apply Flassh Settings],填写输出路径及文件名,后缀为[.dat],用于后续的大气校正。结果如下图,图像对比度有所增强。

    图1.2 辐射定标参数设置

     

     

    1.3 辐射定标结果

     

    1.2大气校正

    大气散射是太阳辐射衰减的主要原因,而大气校正的主要目的是消除大气散射引起的图像模糊失真问题,从而提高图像质量和对比度。

    打开大气校正工具[FLAASH Atmospheric Correction](也有其他大气校正方法,如快速大气校正)。在[Input Radiance Image]中选择辐射校正的图像。

    图1.4 大气校正

    填写大气校正参数。其中,大气模型参数[Atmospheric Model]根据研究区的纬度和图像获取时间确定,气溶胶模型[Aerosol Model]、气溶胶反演方法[Aerosol Retrieval]根据实际选择相应方法。

    图1.5 大气校正参数

     

    图1.6 根据研究区纬度和时间选择相应的大气模型

     

    点击[Advanced Aettings],设置参数。一般情况下,CO2 mixing Ratio(ppm)2001年前是370,2001年之后是390。

    图1.7 大气校正参数

     

    点击[Apply],得到大气校正结果。下图为标准假彩色图像(Nir、Red、Green波段合成)

    图1.8大气校正结果

     

    1.3大气校正过度解决方案

    一般情况下,经过大气校正后的值均大于1。但因为总总原因,可能会出现部分波段的最小值小于零的情况,即大气校正过度。可以通过右击图层,选择[Quick Stats]查看波段的灰度分布。

    图1.9 波段分布

     

    根据各波段的灰度分布,可以用公式将一些不合理的像素值剔除。(注:一般小于零或值非常大的像素个数占少数,用合理的值替代这些异常值不会影响最终结果)

    大气校正过度,使得后续的计算会出现极个别异常值,比如、NDVI计算会出现值不在[-1,1]范围内的像素,称为“溢出”。

    在[Band Math]工具中,输入逻辑运算公式。(本次没有处理大气校正过度问题,而是留到后续指数计算,对“溢出值”进行剔除。)

    以NDVI值溢出为例,若NDVI范围值在[-5.4, 2.3]之间,但归一化植被指数NDVI的正常值范围为[-1,1]。因此可以在Bangmath工具中输入剔除异常值公式:(b1 lt -1.0)*-1 + (b1 ge -1 and b1 le 1)*b1 + (b1 gt 1)*1,b1选择为NDVI图像。

    以上公式的意思是将小于-1的像素值替换为1,将像素值大于1的像素值替换为1,而在[-1,1]之间的像素值保持不变。

    图1.10标关系逻辑运算符题

     

    展开全文
  • 遥感生态指数(RSEI)——水体掩膜及主成分分析

    千次阅读 多人点赞 2021-01-12 23:01:28
    ①利用水体指数来增强水体信息,弱化其他地物的信息,便于提取研究区的水体范围 NDWI = (Green - NIR)/(Green + NIR ) MNDWI = (Green - SWIR1) / (Green + SWIR1) INDVI = (Red - NIR) / (Red + NIR) 以上三个...
  • 利用各种遥感指数来对森林、草地、城市、河流乃至整个流域的生态系统进行监测和评价,已经是生态环境保护领域的重要组成部分。 2006年,国家环境保护部以行业标准的形式颁发了《生态环境状况评价技术规范》,推出...
  • 生态景观征兆图谱的遥感提取方法,王冬梅,孟兴民,以Landsat TM影像为基础,在GIS技术的支持下,从生态元、生态能、生态水等生态景观要素的主要构成成分入手,采用缨帽变换、植被指数
  • 基于2003年ETM+遥感影像和2009年CBERS遥感影像,使用归一化植被指数(NDVI)公式,对遥感影像进行处理,提取植被信息;以NDVI为依据,进行土地覆盖类型、植被覆盖度、植被长势的分级和评价;统计各种土地覆盖类型以及不同...
  • 晋江城市化与生态环境耦合协调分析,廖李红,戴文远,论文运用DMSP/OLS夜间灯光数据和Landsat系列遥感数据分别建立表征城市化的夜间灯光指数(NLI)和表征生态质量的遥感生态指数(RSEI),�
  • 堵河流域叶面积指数遥感反演及其时空变化,陈方鑫,宋艳暾,水源涵养林具有涵养水源,保持水土,净化水质等作用。动态监测水源涵养林的生长状况及水文生态效益是目前的研究热点。本文以堵河
  • 高光谱遥感资料无损伤动态监测棉花叶面积指数的研究,李建龙,干晓宇,作物叶面积指数是农业生态系统研究中最重要的生物参数之一,利用具有高光谱分辨率的遥感资料动态无损测定测定棉花叶面积,为精细
  • 本文介绍了新的遥感和地理信息技术,解决了数据收集与分析的问题,这使得生态风险评估的研究非常Swift,准确。 以湖南冷水江锡矿山新矿区为研究对象,利用2005年,2010年和2015年三个时期的遥感图像数据,对遥感图像...
  • 为了掌握矿业开发对生态环境变化的影响,以2004年和2010年两期多源数据为基础,选择"压力-状态-响应"模型构建了矿集区生态环境评价指标体系,利用GIS和遥感技术展开了环境因子提取;通过德尔菲法计算的因子权重进行多...
  • 对比基于宽波段、窄波段建立的土壤有机质(SOM)含量的预测模型以及空间格局分布的差异性,采用地面高光谱测量和土质分析验证利用卫星遥感数据监测土壤基本生态参数的可行性。以天山北麓的土壤为研究对象,运用宽波段...
  • 本研究旨在评估粤东水域海洋牧场建设的生态影响。 在2011年8月之前(2011年8月)和之后(2011年8月)比较了海表温度(SST),叶绿素a浓度(Chl-a),单位捕捞量(CPUE),生物多样性,底栖生物的密度的变化。 2013)...
  • 林都伊春 森林里的家近期,省气象局组织黑龙江省生态气象中心(东北卫星气象数据中心),利用气象卫星遥感数据对我省近20年植被生态质量进行监测评价,结果表明:从2000年到2019年,我省植被生态质量持续转好。...
  • 首先概要论述了定量遥感的基础理论,分章节着重介绍大气、植被冠层、土壤和雪面的辐射传输模型,并结合应用实例详细介绍了目前传感器定标、大气纠正、几何纠正、各种植物生理参数(如叶面积指数、植物吸收的光合作用...
  • 本书首先概要论述了定量遥感的基础理论,分章节着重介绍大气、植被冠层、土壤和雪面的辐射传输模型,并结合应用实例详细介绍了目前传感器定标、大气纠正、几何纠正、各种植物生理参数(如叶面积指数、植物吸收的光合...
  • 森林火灾严重程度遥感估测模型的比较研究,琚存勇,雷成亮,光谱卫星数据正作为一种生态系统变化检测的辅助工具被广泛应用,用相同波段或指数的不同时相差值评价森林火灾严重程度的研究也越
  • 决策树分类作为一种基于空间数据挖掘的知识发现的监督分类方法,它通过决策学习过程得到分类规则并对遥感影像进行分类,突破了以往分类树或分类规则的构建要利用分类者的生态学和遥感先验知识的确定。而C5.0算法作为...
  • 遥感生态指数(RSEI)的地表温度反演用到的是辐射传输方程算法。接下来,简单说一下覃志豪的单窗算法反演地表温度的基本操作。 原理: 其中,Ts为地表真实温度,是我们要计算的值;a、b为常量,a=-67.355351,...
  • 土地荒漠化已成为一个全球性的重大环境问题,也是我国面临的严重生态环境问题。遥感技术以其信息量 大、获取速度快、覆盖范围广、受人力物力的限制小等优点,在过去的30 多年中,已逐渐成为土地荒漠化监测的重 要...
  • 选择唐山市古冶区为试验场,以3期(1987年、1992年和2001年)TM和ETM图像为主要数据源,采用ENVI和ArcView获取计算的基础数据和景观生态学的指数模型,计算了单个地类面积变化率、土地利用程度综合指数、土地利用动态度、...
  • 从GF1-WFV和HJ-CCD影像数据提取我国沿海绿潮水体的反射光谱特征,分析与非绿潮水体的光谱特征的差异,进而面向环境一号和高分一号开发了多光谱绿潮指数(MGTI)-多波段差值耦合算法,并用该算法对绿潮进行遥感监测。...
  • 基于混合像元分解的生物丰度指数提取,陈颖,陈绍杰,随着遥感技术的发展,遥感技术广泛应用于生态环境监测等方面。准确提取生物丰度状况,可以为遥感技术监测生态环境提供其可靠数据
  • 这项研究使用1986年至2019年的遥感数据,使用Landsat卫星图像对四个时期(1986、2000、2010和2019)进行评估,评估了伊拉克南部沼泽地的湿地变化。为实现这一目标,在选定的土地覆盖主题中获得了三十(30)像素他们...

空空如也

空空如也

1 2 3
收藏数 48
精华内容 19
关键字:

遥感生态指数